振动模型结果.md 6.0 KB
7/8/9 号机振动泛化模型结果（机组相对特征）
本实验重构于 models/vibration/（振动算法与振动模型）+ models/common/（公共层），与压力模型完全独立。
3 小时模型已用新代码完整复现，指标与本文件完全一致（见 models/results/verification/verification_report.json）。
振动算法输出位于 models/results/vibration/振动异常段.csv，训练样本位于 models/datas/vibration/，模型位于 models/datas/artifacts/vibration/。
目标：把 7/8/9 号机振动数据全部纳入，用机组相对（泛化）特征训练一个共享振动模型，解决原振动模型“绝对振动值导致跨机组误报、召回不稳”的问题。
一、方法
1. 泛化特征（去掉绝对振动值）
振动规则的核心信号是“相对本机近期稳健基线（前 7×24 = 168 个有效小时）的偏离”。因此特征以近期基线相对量为主，机组编号只用于选基准、不进模型输入。
删除的绝对特征：各侧 *_avg_mean/max/range、*_peak_mean/max/range、*_slope。
使用的特征（每侧 coupling、chain）：
- 近期基线偏离（z 分数）：
{side}_avg_dev、{side}_peak_dev - 近期基线相对比例：
{side}_avg_rel_last、{side}_peak_rel_last、{side}_avg_rel_mean、{side}_peak_rel_max - 机组归一化：
{side}_avg_z、{side}_peak_z、{side}_avg_slope_z（train 正常窗口 median/MAD） - 报警比例：
{side}_high_ratio_mean、{side}_high_high_ratio_mean - 共享：
both_sides_rising、running_coverage_mean/min
特征重要度（3h）显示“相对比例 + 偏离”主导：chain_peak_rel_max 32.9%、chain_peak_dev 19.1%、coupling_peak_rel_max 8.1%、coupling_avg_dev 7.8%。
2. 基线口径（与扫描器一致）
振动基线用机组完整有效历史在窗口前 7×24 小时内的稳健基线，跨停机周期取历史、排除重启后首个有效小时，与 scan_pks_fault_evolution.py 完全一致。
3. 数据与切分
- 窗口：3 小时与 6 小时各一套；标签：重叠即异常（含 1~2 小时短阶段，用前后小时补足）；重启后首个有效小时不作样本。
- 数据来源：复用
models/datas/hourly/pks_hourly_full.csv（--hourly-csv，不查库）；阶段来源models/results/vibration/振动异常段.csv。 - 切分：6.5 / 2 / 1.5，seed 20260921，事件组不拆，按（机组、标签）分层，保证每机组 train 有正常事件组。
- 异常事件分配用
--positive-basis groups（每个事件等权），避免个别长事件整组落入同一划分。
二、数据范围
- 候选窗口：14,139（正常 13,908、异常 231）。
- 异常事件 25 个：7 号机 8、8 号机 8、9 号机 9（三台机组都有异常）。
| 版本 | train | validation | test |
|---|---|---|---|
| 3h | 9,302（正常 9,112/异常 190，16 事件） | 2,657（2,637/20，5 事件） | 2,180（2,159/21，4 事件） |
| 6h | 8,951（8,731/220，16 事件） | 2,625（2,599/26，5 事件） | 2,332（2,299/33，4 事件） |
跨集合事件组泄漏：0。
三、训练
| 版本 | 采样 | 轮数 | 早停 | 最佳轮次 | 最佳验证 logloss |
|---|---|---|---:|---|---:|---:|
| 3h | --all-normal | 请求 800 | 359 轮 | 309 | 0.02262 |
| 6h | --all-normal | 请求 800 | 382 轮 | 332 | 0.03350 |
四、验证集
| 版本 | 阈值 | 查准率 | 召回率 | F1 | PR-AUC |
|---|---|---|---|---|---|
| 3h | 0.916630 | 70.00% | 70.00% | 70.00% | 70.40% |
| 6h | 0.864419 | 72.41% | 80.77% | 76.36% | 77.21% |
五、封存测试集
3 小时窗口
测试集 2,180 窗口（正常 2,159、异常 21）。
| 类别 | 查准率 | 召回率 | F1 | 样本数 |
|---|---|---|---|---|
| 正常 | 99.72% | 99.72%（特异度） | 99.72% | 2,159 |
| 异常 | 71.43% | 71.43% | 71.43% | 21 |
综合：准确率 99.45%、平衡准确率 85.58%、PR-AUC 82.70%；事件召回 4/4。
分机组：
| 机组 | 正常窗口 | 正常误报率 | 异常窗口 | 异常召回 | 异常查准 |
|---|---|---|---|---|---|
| 7 号机 | 676 | 0.00% | 9 | 77.78% | 100.00% |
| 8 号机 | 702 | 0.71% | 12 | 66.67% | 61.54% |
| 9 号机 | 781 | 0.13% | 0 | — | — |
6 小时窗口
测试集 2,332 窗口（正常 2,299、异常 33）。
| 类别 | 查准率 | 召回率 | F1 | 样本数 |
|---|---|---|---|---|
| 正常 | 99.14% | 99.91%（特异度） | 99.52% | 2,299 |
| 异常 | 86.67% | 39.39% | 54.17% | 33 |
综合：准确率 99.06%、平衡准确率 69.65%、PR-AUC 86.40%；事件召回 4/4。
分机组：7 号机误报率 0.00%、召回 60.00%；8 号机误报率 0.00%、召回 22.22%；9 号机误报率 0.22%。
六、版本对比
| 版本 | 测试查准率 | 测试召回率 | F1 | PR-AUC | 事件召回 |
|---|---|---|---|---|---|
| 旧振动模型（6h，绝对特征） | 24.15% | 100.00% | 38.91% | 75.66% | 1/1 |
| 振动泛化 3h | 71.43% | 71.43% | 71.43% | 82.70% | 4/4 |
| 振动泛化 6h | 86.67% | 39.39% | 54.17% | 86.40% | 4/4 |
结论：泛化特征显著改善了振动模型的查准率（旧模型 24% → 3h 71%）。3h 的 F1 与召回更均衡（71/71），6h 查准率更高但召回只有 39%。振动故障确认以“不漏”优先，推荐 3h。
七、规则联合辅助输出
- 3h：
models/results/vibration/振动模型辅助确认.csv，14,139 行- 模型辅助确认异常 219、保留规则异常人工复核 12、继续观察 13、正常 13,895
- 6h：本轮未重新生成（
models/vibration/run_pipeline.py保留--window-hours 6参数化路径）
八、限制
- 振动异常阶段短（多为 1~2 小时），测试异常窗口仅 21~33 个、4 个事件，指标波动较大。
- 9 号机测试集没有异常事件，其正常误报率可评估，但异常召回不作结论。
- 标签来自扫描器规则阶段，未经维修记录或人工确认，指标代表对规则标签的泛化。
- 模型定位为规则辅助确认，不替代扫描器的阶段划分。